江苏龙网

  1. 首页 > 资讯 > 科技 > >

深度学习■今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等( 二 )


本文插图

深度学习■今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等
本文插图

BachGAN：基于显著物体布局的高分辨率图像合成论文名称：BachGAN: High-Resolution Image Synthesis from Salient Object Layout
作者：Li Yandong /Cheng Yu /Gan Zhe /Yu Licheng /Wang Liqiang /Liu Jingjing
发表时间：2020/3/26
论文链接：https://paper.yanxishe.com/review/15416?from=leiphonecolumn_paperreview0409
推荐原因
这篇论文提出了一个新的问题 ， 即从显著物体布局来生成高质量图像 。 在这个问题中 ， 用户仅提供物体的布局 ， 即前景边界框和类别 ， 由模型发明背景和匹配前景来完成绘图 。 为了解决这个问题 ， 这篇论文提出了一个背景幻觉生成对抗网络（Background Hallucination Generative Adversarial Network ， BachGAN） ， 首先通过背景检索模块从一个大型候选库中选择一组分割图 ， 然后通过背景融合模块对这些候选布局进行编码 ， 以对给定对象的合适背景进行幻觉处理 。 通过动态生成幻觉背景表示 ， BachGAN可以合成具有逼真前景和完整背景的高分辨率图像 。 在Cityscapes和ADE20K数据集上进行的实验证明了BachGAN在生成图像的视觉保真度及输出图像和输入布局之间的视觉对齐方面优于现有方法 。
深度学习■今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等
本文插图

深度学习■今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等
本文插图

时间序列分类：近邻vs深度学习模型论文名称：Time series classification: nearest neighbor versus deep learning models
作者：Weiwei Jiang
发表时间：2020/3/20
论文链接：https://paper.yanxishe.com/review/15415?from=leiphonecolumn_paperreview0409
推荐原因
深度学习方法在图像处理等问题上取得了巨大的成功 ， 然而在一维时间序列分类的问题上 ， 动态时间规整（DTW）算法等传统方法仍然占据着重要的地位 。 近年来 ， 有不少研究表明全卷积网络、残差网络等深度学习模型在一些时间序列分类问题中也取得了超越传统模型的表现 。 这篇论文通过在UCR的128个时间序列数据集上全面评估基于8种不同度量的近邻方法和3种不同的深度学习模型 ， 试图回答是否深度学习模型超越了传统的距离度量方法 。 大量的实验表明 ， 尽管全卷积网络和残差网络的平均准确率优于传统的距离度量方法 ， 在统计检验的视角上这两种方法没有显著优于基于动态时间规整和实补偿编辑距离的方法 。
深度学习■今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等
本文插图

深度学习■今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等
本文插图

【深度学习■今日 Paper | 强化学习；可重构GANs；BachGAN；时间序列分类等】雷锋网雷锋网雷锋网


推荐阅读


上一篇：『我只吃翅中』缝缝补补又三年——英睿达（Crucial）MX500 1TB SATA SSD简测

下一篇：【浩溯】联想Z6 Pro 5G拍照体验： 樱花烂漫几多时?柳绿桃红两未知